Distribución de Probabilidades Discretas y Continuas

UNIVERSIDAD TECNOLOGICA EQUINOCCIAL
GUIA DE ESTADISTICA DESCRIPTIVA
SEGUNDO BIMESTRE
UNIDAD III
II. DISTRIBUCIN DE PROBABILIDADES DISCRETAS Y CONTINUAS
ASESORA DIDCTICA III

Existen las llamadas variables aleatorias (va), que son funciones que asocian un nmero real a cada
elemento del espacio muestral.
Las variables aleatorias se clasifican en discretas y continuas. Las variables aleatorias discretas (vad),
son aquellas variables que toman valores enteros, y se presentan generalmente por medio de una tabla.
En cambio las variables aleatorias continuas ( vac), son aquellas variables que toman valores en una
escala continua, es decir cualquier nmero real en un intervalo dado, no es posible representarlas en
forma tabular.
Existen adems funciones de densidad de probabilidades (fdp) tanto para vad como para vac, que deben
cumplir bsicamente dos cosas: que la probabilidad vare siempre entre 0 y 1 y que la suma de las
probabilidades sea 1 para las vad, y en el caso de las vac que el rea bajo cualquier curva de siempre 1.
Analizaremos las siguientes variables aleatorias discretas:
A. VARIABLES DISCRETAS
Definicin. Se dice que una variable aleatoria (v.a) es una funcin f: A , donde A representa el
espacio muestral y los nmeros reales.
Existen dos tipos de variables aleatorias, las discretas y continuas.
Definicin. Un espacio que contienen un nmero finito de posibilidades o infinita con igual nmero de
elementos que nmeros enteros, se conoce como espacio muestral discreto.
Definicin. Un espacio que contienen un nmero infinito de posibilidades iguales nmero de
elementos de los nmeros reales, se conoce como espacio muestral continuo.
Una variable aleatoria discreta toma cada uno de sus valores con alguna probabilidad, por lo que se
puede dar la siguiente:
Definicin. Una funcin de densidad es llamada de probabilidades (f.d.a) si cumple:
MAT. MAURICIO GARCIA
PAG
a)
Para una variables aleatoria discreta X si : 1) 0 P ( A) 1
2)
p ( x) 1
i 1
b)
Para una variable aleatoria continua X, si:
1) 0 P ( A) 1
2)
p ( x ) dx 1 ,
recordar
que
b
p( x)dx a x b ,
a
1. Distribucin Binomial
Definicin: Sea x una variable aleatoria discreta (vad), en la que se realizan n pruebas independientes y
la probabilidad de que sucedan k veces un suceso viene dado por la siguiente funcin de densidad de
probabilidades (fdp)
n k n k
p (1 p) , k 0,1,2,3. ., n
P n, k, p k
0 en otro caso
Donde n representa el tamao de la muestra, k es el nmero de veces que ocurre un suceso, p la

probabilidad de ocurrencia.
Esta distribucin Binomial, se aplica a) cuando cada ensayo tiene dos resultados posibles (xito o
fracaso; si o no; verdadero o falso, etc) b) adems existen n ensayos independientes repetidos c) la
probabilidad de xitos o aciertos , permanece constante de un experimento a otro d) los experimentos
son independientes. La v.a binomial k es la cuenta del nmero de ensayos exitosos que ocurren, k toma
valores entre 0 y n.
Adems se pueden deducir las siguientes propiedades:
1. La esperanza matemtica o media promedio viene dado por E(x)=np
2. La desviacin estndar, es S n * p * (1 p )
Utilice La tabla de la distribucin Binomial del apndice I, es acumulativa
La distribucin binomial que presenta el programa es acumulativo es decir va desde k=0 hasta el k que
se desee. TransformeCompute y
PAG
Obsrvese que CDF nos permite calcular el rea acumulativa dado el punto.
Ejemplo:
1. La probabilidad de que una empresa pague sus utilidades a tiempo, es de 0.3. a) Determine la
probabilidad que de 6 empresas escogidas al azar hasta 2 paguen a tiempo. b) Calcule el promedio
de empresas que paguen sus utilidades a tiempo.
Solucin: De acuerdo a las condiciones de los datos tenemos: n=6; p=0.3 y k=0,1,2.
Utilizando la distribucin Binomial, tenemos:
n k nk
P n, k, p p (1 p)
k
P(6;0;0.3)+ P(6;1;0.3)+ P(6;2;0.3)=
6 0 6 1 5 6 2 4
0.3(1) 0.3(1)0.743
0 1 2
Por tanto existe un 74.43% de las probabilidades de que hasta 2 empresas paguen sus utilidades a
tiempo.
PAG
b) Nos pide la esperanza matemtica, esto es: E(x)=np= 6*0.3=1.8, por tanto el promedio del nmero de
empresas que paguen sus utilidades a tiempo es aproximadamente 2.
2. Distribucin de Poisson
Definicin: Si el tamao de la muestra es demasiado grande y la probabilidad muy pequea, utilizar
la distribucin binomial resulta bastante tedioso, por lo que se aconseja utilizar la distribucin de
Poisson que viene dada por:
e k
, k 0,1,2,3....
P k , k!
0 en otro caso
Donde = np, e=2.718281., k es el nmero de veces que ocurre un suceso.

Adems, para tener un mayor grado de seguridad, en la aplicacin de la Distribucin de Poisson se
sugiere utilizar la siguiente regla emprica, esto es:
1. Si se cumple que np 5 y si n50, se aplica la distribucin de Poisson
2. Si se cumple que p 0.10 se aplica la distribucin de Poisson, pero si no cumplen los dos,
entonces se aplica la distribucin Binomial.
1. La probabilidad de ocurrencia en un intervalo dado es independiente de la ocurrencia en otro
intervalo.
2. La probabilidad de que se de resultado en un intervalo muy corto es proporcional a la magnitud
del intervalo de tiempo, y no tiene nada que ver con la cantidad de resultados que se produzcan
fuera de ese intervalo.
3. La probabilidad es despreciable cuando se produce mas de un resultado en ese intervalo.
4. La esperanza matemtica o media, viene dada por E(x)==np
5. La desviacin estndar, es S
Utilice La tabla acumulativa del la distribucin de Poisson del apndice II
La distribucin de Poisson que presenta el programa es acumulativo es decir va desde k=0 hasta el k que
se desee. TransformeCompute y
Ejemplo 2.
Si la probabilidad de que una persona cometa al menos un error al declarar su impuesto a la renta, es del
0.001. Determine la probabilidad de que entre 2000 personas ms de 2 cometan un error en su
declaracin.
PAG
Solucin: Obsrvese que se tiene que n=2000; p=0.001; y k= 3,4,,2000

Podemos hacer cumplir las condiciones, np=0.001*2000=2 5 y si n=200050, se aplica entonces la
distribucin de Poisson, para lo cual calcularemos el evento contrario esto es k= 0,1,2,es decir: =n*p=
0.001*2000=2
e k
, reemplazndolo tenemos:
k!
P k ,
P 0,2 P 1,2 P 2,2
e 2 2 0 e 2 21 e 2 2 2
0.6767 , ahora bien como queremos el evento

0!
1!
2!
contrario tenemos1-0.6767= 0.3233, por tanto existe un 32.33%, de probabilidades de que ms de dos
personas cometan al menos un error en su declaracin.
3. Distribucin Hipergeomtrica
Definicin: Se aplica cuando el tamao de muestra, n, con respecto al tamao de la poblacin, N, no es
muy grande, adems de que se tiene una caracterstica, x, y el nmero de veces que ocurre un suceso, k,
se utiliza
x xN

k nk
K0,12. nkx;n-kN-x,nx,N
Pn,Nk,x N

n
0 enotr caso
PAG
Obsrvese que se necesita cuatro parmetros, para utilizar esta distribucin.

1. La esperanza matemtica o media viene dada por E(x)=
2. La desviacin estndar, es S
nx
N
x N r n N n )
N 2 N 1
Tambin la tabla es acumulativa desde un k=0 a un k determinado,con el siguiente comando:

TransformeCompute y
Ejemplo 3.
En una clase en la que hay 20 estudiantes, 15 estn insatisfechos con el texto que se utiliza. Si se le
preguntara acerca del texto a una muestra aleatoria de cuatro estudiantes, determine la probabilidad de
que exactamente tres de ellos estn insatisfechos con el texto.
Solucin: De acuerdo a los datos se observa que N=20; como 4 son elegidos al azar, n=4 ; la
caracterstica o particularidad es x=15 y k= 3,el evento a ser contestado, utilizando la distribucin
Hipergeomtrica, tenemos:
PAG
x N x 15

k nk 3 1
P4,20315 N 20 0.4695

n 4
0 enotr caso
, por tanto existe un 46.95% de probabilidades de que tres personas estn insatisfechos
PAG
con el texto gua.

B. DISTRIBUCIONES CONTINUAS
4. Distribucin Normal
Una de las funciones, de variables aleatorias continuas (v.a.c) ms importantes en Estadstica, es la
llamada Distribucin Normal o Campana de Gauss o Curva Simtrica, que se presenta con frecuencia en
las aplicaciones reales, viene dada por:
Definicin: Una variable aleatoria x tiene una distribucin normal, llamado variable aleatoria normal
cuya funcin de densidad de probabilidades viene expresada por:
p ( x; x; s )
2
1
e (1 / 2 ) ( x x ) / s , x con s 0 , 3.14159... y
s 2
e 2.71828... ,
cuyo grfico es:
Propiedades:
i.
ii.
iii.
iv.
La moda tiene su mximo en la media aritmtica

La curva es simtrica con respecto al eje y.
El rea bajo la curva es de 1 100%.
Las colas de la curva jams cruzan el eje de las X, es decir se aproximan en forma
asinttica al eje horizontal.
v. La tabla a utilizarse, calcula el rea del punto a la izquierda, esto es:
Se han tabulado sus reas, cuando x 0 y s 1 , ya que su frmula de densidad, no puede integrarse
directamente, es decir, se utilizar la tabla estandarizada del apndice III, y son valores de
1
x2
1
z 2 e 2 dx
PAG
Si se desean realizar clculos de probabilidades relacionadas con variables aleatorias distintas de la

distribucin normal estndar, usamos el siguiente
Teorema. Sea x una distribucin normal con media
xx
z
(1), tiene la distribucin normal estndar.
s
y desviacin estndar se tiene
Para usar las tablas de distribucin normal estandarizada ( con una media 0 y una desviacin estndar de
1), en el programa se debe seguir : TransformeCompute Y
Esto nos permitir encontrar el rea dado el punto. El programa nos permite calcular el rea del punto a
la izquierda.
Dada una distribucin normal estandarizada determine las siguientes probabilidades:
a) Z sea lo ms +1.08?
Solucin: a) Como se calcula el rea desde el punto a la izquierda tenemos:
Obteniendo como resultado un rea de 0.8599 o el 85.99%

b) Este entre 0.21 y +0.18?
Se calcula el rea entre 0.21 y +0.18
PAG
Obteniendo como resultado un rea de 0.1546 o el 15.46%.

Ejemplo 4.
Las ventas diarias de una empresa, se comportan como una distribucin normal, con media de 530
dlares y una desviacin tpica de 120 dlares, cul es la probabilidad de que las ventas excedan de 700
dlares en un da en particular?
Solucin: De acuerdo a los datos tenemos: x $530 ; s $130 y x 700 ,
Grficamente tenemos:
Por tanto, utilizando z
x x 700 530
1.41 , utilizando la tabla de la curva normal( ver

s
130
apndice III) , tenemos: A(-1.41)=0.0793 existe apenas un 7.93% de probabilidades de que el

propietario tenga ganancias superiores a $700 diarios.
Ejemplo 5.
Se sabe que el tiempo promedio para realizar una transaccin, se comporta como una aproximacin
normal, con una media de 70 minutos y una desviacin estndar de 12 minutos. cunto debe durar
este tipo de transacciones, si se pretende que el 90% de las personas lo terminen?
Solucin: De acuerdo a los datos tenemos: x 70 ; s $12 y Z 90% , cuyo grfico es:
Para lo cual debemos despejar x, de la expresin: z
xx
s
despejando
x z * s x , luego de la tabla
de la curva norman observamos un valor que se aproxime a 0.90, esto es Z=1.28, reemplazando
tenemos:
x z * s x =1.28*12+70=85.36, por tanto para que el 90% de las personas terminen sus transacciones
debe durar como mximo 85.36 minutos.
PAG
10
Ejemplo 6.
Un anlisis estadstico de 1000 llamadas telefnicas de larga distancia indica que la duracin de estas
llamadas se distribuye normalmente con un media muestral de 240 segundos y una s= 40segundos
a.
b.
c.
d.
e.
Qu porcentaje de estas llamadas dur al menos 180 segundos.

Cul es la probabilidad de que una llamada particular dure entre 180 y 300 segundos.
Cuntas llamadas duraron menos de 180 segundos o ms de 300 segundos.
Qu porcentaje de las llamadas dur entre 110 y 180 segundos
Cul es la duracin de una llamada particular si solo el 1% de todas las llamadas son las cortas.
Solucin: Se utilizar el comando CDF.NORMAL, el mismo que nos encontrar el porcentaje para lo
cual nos pedir el valor de x, la media y la desviacin estndar.
a) El rea que nos pide es de al menos de 180 segundos, esto es:
Usando los comandos del Spss tenemos:
Obteniendo como resultado un porcentaje del 6.68%. Existe apenas un 7% de probabilidades de que las
llamadas duren menos de 180 segundos.
b) El rea esta entre 180 a 300 segundos, esto es :
PAG
11
Obteniendo como resultado un porcentaje del 86.64%. Existe un porcentaje alto de 87% de que las
llamadas duren entre 180 a 300 segundos
c) Restar de 1 del rea entre 180 a 300 segundos del item anterior esto es: 1-0.8664 = 0.1336, luego el
nmero de llamadas ser de 133.6; o 134 llamadas.
d) Calcularemos el rea entre 110 y 180 llamadas.
Al ir a Transform
Compute... tenemos:
Obteniendo como resultado un porcentaje del 6.622%. Existe una baja probabilidad del 7% de que las
llamadas duren entre 110 y 180.
e) Aqu debemos realizar el proceso inverso, esto es dado el rea encontrar el punto, para lo cual iremos
a: TransformeCompute y (se utiliza IDF.NORMAL; el mismo que nos permite calcular el punto
dado el rea, la media, y desviacin estndar.
luego tenemos: x z * s x reemplazando nos da x 2.33 * 40 240 146.8 seg.
PAG
12
5. APROXIMACIN DE LA DISTRIBUCIN BINOMIAL A LA NORMAL

Cuando la distribucin binomial toma valores grande n (20,25,30, etc), y cuya probabilidad de acertar
en un evento particular, se acerca a 0.5, se puede utilizar a la distribucin normal como una buena
aproximacin de la Binomial, se puede observar que presentan un tendencia en forma de campana,
como la distribucin normal. Se aplica cuando n*p > 5 y n*(1-p) > 5.
UNIDAD IV
IV. DISTRIBUCIONES DE MUESTREO
PREGUNTAS DE AUTOEVALUACION
1. El parmetro es una caracterstica de la muestra a) Verdadero b) Falso
2. Ser fcil obtener la desviacin tpica de la poblacin a) Verdadero b) Falso por qu?
3. La media de todas las medias muestrales de una distribucin muestral es llamada
.
4. El error muestral es la diferencia entre el estadstico y el parmetro desconocido
a) Verdadero b) Falso
5. Definir y poner un ejemplo de distribucin muestral
4.1.
4.2.
Distribucin muestral de la media:

Propiedades
Error estndar
Teorema del lmite central
Distribucin de la media:
Muestreo de poblaciones finitas, Distribucin de la proporcin
ASESORA DIDCTICA IV
A. DISTRIBUCIN DE MUESTREO
Bsicamente la Inferencia Estadstica trata de generalizar o inferir los resultados de una muestra hacia la
poblacin o de un estadstico para inferir el parmetro dado.
Definicin: La distribucin de probabilidad de un estadstico se conoce como distribucin muestral.
PAG
13
Se define el error de muestreo como la diferencia existente entre el estadstico de la muestra y el

parmetro poblacional, con la finalidad de estimar el parmetro.
La distribucin de las medias muestrales no es sino el conjunto de todas las medias muestrales dadas.
Lo mismo podemos definir para el error estndar de la distribucin muestral, que no es otra cosa que el
grado de variacin alrededor de la media poblacional.
A continuacin se realizar la diferencia de notacin entre los parmetros y los estadsticos.
Nombre
Estadsticos( Muestra)
x
s
s2
n
Media
Desviacin Estndar
Varianza
Tamao
Proporcin
Diferencia de medias
Diferencia de Proporciones
x1 x 2
p1 p 2
Parmetros (Poblacin)
2
N
P
1 2
P1 P2
B. TEOREMA DEL LMITE CENTRAL

Es uno de los teoremas ms importantes dentro de la Estadstica , este teorema lo que nos indica es que,
a medida que el tamao de muestra es grande, la distribucin de medias muestrales se va aproximando a
una curva normal con
Teorema. Si
X 1 , X 2 , ... X n
forman una muestra aleatoria que tiene una poblacin infinita con media ,
x
cuando n , es la distribucin estndar.
la varianza entonces
n
Y en la prctica, se utiliza esta aproximacin cuando n 30 , sin contar la forma de la poblacin que se
2
estudia.
Ejemplos
1.
Los depsitos medios en un banco son de $7012, con una desviacin tpica de $532, y sigue una
distribucin normal. Si se escoge al azar una muestra de 35 depsitos cul es la probabilidad de
que la media sea superior a $6911?
Solucin. De acuerdo a los datos podemos observar que =$7012; =$532 y

x > $6911, y cuyo grfico es:
PAG
14
por lo que utilizando
x 6911 7012
1.12
532
, por lo que tenemos que A(-1.12)=0.1314, es
n
35
decir, existe (1-0.1314) 86.86% de probabilidades de que los depsitos sean superiores a $6911.
.
DISTRIBUCIONES MUESTRALES DE PROPORCIONES
Tambin se pueden tratar de proporciones o porcentajes de la poblacin P, es decir, se trata de estimar
, para estimar un parmetro poblacional P y su expresin viene dada por:
una proporcin muestral p
z
p P
x
P (1 P ) , donde p , con x como una caracterstica o particularidad del evento.
n
n
Ejemplo 2. Si se sabe que el 32% de las empresas tiene cuentas por cobrar, al escoger 100
empresas, cul es la probabilidad de que ms de 40 tengan cuentas por cobrar?
Solucin: De acuerdo a los datos tenemos: P=32%; n=100 ;, p
utilizando
p P
P (1 P )
n
0.4 0.32
0.32 * (1 0.32)
100
1.71
x
40
0.4 , cuyo grfico es:

n 100
luego A(-1.71) = 0.0436, por tanto existe una
probabilidad bastante pequea, de apenas el 4.32% de que ms de 40 empresas tengan cuentas por
cobrar.
PAG
15
FORMA DE EVALUACIN
La evaluacin consiste en la entrega de dos deberes al finalizar cada trimestre, los mismos que sern
calificados cada uno sobre 20 puntos, y para presentarse al examen, como mnimo entre los dos se deben
tener 28/40, adems de la recepcin de dos exmenes, sobre treinta puntos, cada uno . En caso de no
alcanzar el puntaje de 32, el estudiante automticamente pierde la materia, si tiene entre 32 a 41 debe
presentarse al examen supletorio. Si tiene 42 ms en los dos exmenes automticamente se encuentra
exonerado.
Para la presentacin de los trabajos que va a resolver, indique el enunciado del problema y el literal a
resolver, entregue en forma ordenada y limpio el trabajo, adems debe siempre estar presente la
interpretacin de los resultados y sus posibles comparaciones as como la toma de decisin ms
correcta. En lo posible, si es del caso realice la comprobacin o verificacin de los mismos.
En la resolucin del examen presencial trimestral deben hacerse lo ms claro posible, indicando el
ejercicio que est resolviendo, los pasos necesarios para llegar a la respuesta. En la interpretacin del
problema, se puede hacer la respuesta con esfero, el resto se puede hacerlo con lpiz, siendo ordenado.
Se entregar la resolucin del examen una vez finalizado dicho examen.
Cmo estudiar la asignatura?
Bsicamente esta asignatura debe ser estudiada con mucho cuidado, ya que tanto las interpretaciones
como sus clculos deben ser correctamente realizadas para que no existan falacias ni malas
interpretaciones.
Se recuerda que para que exista un cierto dominio de la asignatura deben realizarse ejercicios de tal
manera que el estudiante tenga habilidades y destrezas que sean desarrolladas exitosamente, de nada
sirve aprenderse el sinnmero de frmulas que la materia tiene, si no se las sabe aplicar adecuadamente.
Cmo utilizar la Gua Didctica?
Se ha escrito esta gua de tal manera que sea muy fcil de manejarla, pues en primer lugar se encuentran
detallados los temas que se deben estudiar en cada captulo, luego se indica el tipo de material bsico a
utilizar. Entre ellos tenemos: tipo de calculadora, caractersticas, el libro a utilizar, ventajas pedaggicas,
etc. Se indica tambin el tipo de habilidades y destrezas que se manifiesten explcitamente, a travs del
desarrollo tanto de los deberes como de los aportes parciales.
Se han diseado las asesoras didcticas con la finalidad de mostrar cmo deben ser enfrentados los
temas de cada captulo y qu se pretende ensear en cada uno de ellos.
Finalmente se indica los nmeros de las los ejercicios que tienen que ser resueltos, con su respectiva
pgina del libro texto.
PAG
16
Cmo utilizar la Unidad de Estudios?

Se debe tener en cuenta las explicaciones que se dan en cada captulo de los temas , cules son los
objetivos, qu temas se pretende que los estudiantes se apropien de estos conocimientos.
Cmo presentar los trabajos?
Los trabajos deben ser presentados, indicando la materia, qu se est presentando con el nombre del
estudiante y el nivel en el que se encuentra. Hay que indicar los enunciados (pueden ser escritos o
pegados), luego el desarrollo del mismo indicando los pasos que se desarrolla, mostrando el resultado y
luego la interpretacin del mismo, que es el aporte ms importante, pero hay que hacerlo sobre todo con
una gran claridad, limpieza y orden. Debe ser presentado grapado, en hojas cuadriculadas del mismo
tipo.
Cmo preparar los exmenes?
Desde el principio, con una gran disciplina en el cumplimiento del calendario acadmico, la
organizacin semanal es fundamental. Hay que cumplir las tareas que se han impuesto, con la finalidad
de que al final de cada aporte se tengan las tareas realizadas y sobre todo hechas por el mismo
estudiante, para lo cual se aconseja realizar los trabajos encomendados una vez recibidas las tutoras
semanales. En caso de no poder asistir, hay que estudiar el libro gua meticulosamente, y traer las dudas
para el prximo encuentro. Una semana antes de cada aporte, se deben traer las dudas que no quedaron
claras en los encuentros anteriores o en la realizacin de sus tareas.
Hay que manejar con mucha habilidad el uso de la calculadora, como herramienta de trabajo.
PAG
17
APENDICE I
Tabla Acumulada de la Distribucin Binomial
PAG
18
PAG
19
PAG
20
PAG
21
PAG
22
PAG
23
APENDICE II
Tabla Acumulada de la Distribucin de Poisson
PAG
24
PAG
25
PAG
26

DESCRIPTIVA
GUIA DE ESTADISTICA
27

PAG

DESCRIPTIVA
GUIA DE ESTADISTICA
APENDICE III
Tabla Acumulada de la Distribucin Normal
28

PAG

DESCRIPTIVA
GUIA DE ESTADISTICA
29

PAG

DESCRIPTIVA
GUIA DE ESTADISTICA
30

PAG

Distribución de Probabilidades Discretas y Continuas

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Distribución de Probabilidades Discretas y Continuas

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD TECNOLOGICA EQUINOCCIAL

GUIA DE ESTADISTICA DESCRIPTIVA

ASESORA DIDCTICA III

MAT. MAURICIO GARCIA

UNIVERSIDAD TECNOLOGICA EQUINOCCIAL

GUIA DE ESTADISTICA DESCRIPTIVA

Para una variables aleatoria discreta X si : 1) 0 P ( A) 1

Para una variable aleatoria continua X, si:

Donde n representa el tamao de la muestra, k es el nmero de veces que ocurre un suceso, p la

MAT. MAURICIO GARCIA

UNIVERSIDAD TECNOLOGICA EQUINOCCIAL

GUIA DE ESTADISTICA DESCRIPTIVA

P(6;0;0.3)+ P(6;1;0.3)+ P(6;2;0.3)=

MAT. MAURICIO GARCIA

UNIVERSIDAD TECNOLOGICA EQUINOCCIAL

GUIA DE ESTADISTICA DESCRIPTIVA

Donde = np, e=2.718281., k es el nmero de veces que ocurre un suceso.

MAT. MAURICIO GARCIA

UNIVERSIDAD TECNOLOGICA EQUINOCCIAL

GUIA DE ESTADISTICA DESCRIPTIVA

Solucin: Obsrvese que se tiene que n=2000; p=0.001; y k= 3,4,,2000

P 0,2 P 1,2 P 2,2

0.6767 , ahora bien como queremos el evento

UNIVERSIDAD TECNOLOGICA EQUINOCCIAL

GUIA DE ESTADISTICA DESCRIPTIVA

Obsrvese que se necesita cuatro parmetros, para utilizar esta distribucin.

Tambin la tabla es acumulativa desde un k=0 a un k determinado,con el siguiente comando:

MAT. MAURICIO GARCIA

UNIVERSIDAD TECNOLOGICA EQUINOCCIAL

GUIA DE ESTADISTICA DESCRIPTIVA

MAT. MAURICIO GARCIA

UNIVERSIDAD TECNOLOGICA EQUINOCCIAL

GUIA DE ESTADISTICA DESCRIPTIVA

con el texto gua.

cuyo grfico es:

La moda tiene su mximo en la media aritmtica

MAT. MAURICIO GARCIA

UNIVERSIDAD TECNOLOGICA EQUINOCCIAL

GUIA DE ESTADISTICA DESCRIPTIVA

Si se desean realizar clculos de probabilidades relacionadas con variables aleatorias distintas de la

y desviacin estndar se tiene

Obteniendo como resultado un rea de 0.8599 o el 85.99%

MAT. MAURICIO GARCIA

UNIVERSIDAD TECNOLOGICA EQUINOCCIAL

GUIA DE ESTADISTICA DESCRIPTIVA

Obteniendo como resultado un rea de 0.1546 o el 15.46%.

Por tanto, utilizando z

1.41 , utilizando la tabla de la curva normal( ver

apndice III) , tenemos: A(-1.41)=0.0793 existe apenas un 7.93% de probabilidades de que el

Para lo cual debemos despejar x, de la expresin: z

MAT. MAURICIO GARCIA

UNIVERSIDAD TECNOLOGICA EQUINOCCIAL

GUIA DE ESTADISTICA DESCRIPTIVA

Qu porcentaje de estas llamadas dur al menos 180 segundos.

Usando los comandos del Spss tenemos:

MAT. MAURICIO GARCIA

UNIVERSIDAD TECNOLOGICA EQUINOCCIAL

GUIA DE ESTADISTICA DESCRIPTIVA

d) Calcularemos el rea entre 110 y 180 llamadas.

luego tenemos: x z * s x reemplazando nos da x 2.33 * 40 240 146.8 seg.

MAT. MAURICIO GARCIA

UNIVERSIDAD TECNOLOGICA EQUINOCCIAL

GUIA DE ESTADISTICA DESCRIPTIVA

5. APROXIMACIN DE LA DISTRIBUCIN BINOMIAL A LA NORMAL